Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Hope / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0

VERLAGSTEXT: / Deep-Learning-Netze, die mit großen Datenmengen trainiert werden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. Dieses Buch ist eine praktische Einführung in TensorFlow, die führende Open-Source-Softwarebibliothek zum Erstellen und Anlernen von Deep-Learning-Netzen - zum Beispiel für die Sprach- und Bilderkennung, die Verarbeitung natürlicher Sprache (NLP) oder die vorhersagende Datenanalyse. / / Es bietet einer technisch orientierten Leserschaft einen praktischen Zugang zu den Grundlagen von TensorFlow - von Datenanalytikern und Ingenieuren bis hin zu Studenten und Wissenschaftlern. Zunächst starten Sie mit einigen einfachen Beispielaufgaben mit TensorFlow, anschließend tauchen Sie tiefer in Themen ein wie die Architektur neuronaler Netze, die Visualisierung mit TensorBoard, Abstraktionsbibliotheken für TensorFlow oder Multithread-Pipelines zur Dateneingabe. / / Wenn Sie dieses Buch durchgearbeitet haben, sind Sie in der Lage, Deep-Learning-Systeme in TensorFlow zu erstellen und im Produktvertrieb einzusetzen. / / AUS DEM INHALT: / - Steigen Sie schnell in die Benutzung von TensorFlow ein. / - Lernen Sie von der Pike auf, Deep-Learning-Systeme mit TensorFlow zu modellieren. / - Trainieren Sie verbreitete Deep-Learning-Modelle für Computer Vision und Sprachverarbeitung. / - Entwickeln Sie schneller und einfacher mit Hilfe von Abstraktionsbibliotheken. / - Erfahren SIe, wie Sie TensorFlow skalieren und das Anlernen von Modellen auf Cluster verteilen. / - Setzen Sie TensorFlow unter Produktivbedingungen ein.

Inhaltsverzeichnis: / Vorwort IX / 1 Einleitung. 1 / Einstieg in Deep Learning. 1 / TensorFlow für KI-Systeme verwenden. 2 / TensorFlow: Was verbirgt sich hinter dem Namen?. 5 / Allgemeiner Überblick. 6 / Zusammenfassung. 8 / 2 Erste Schritte mit TensorFlow. 9 / TensorFlow installieren. 9 / Hallo W elt. 11 / MNIST 13 / Softmax-Regression. 14 / Zusammenfassung. 21 / 3 Die Grundlagen von TensorFlow. 23 / Berechnungsgraphen. 23 / Was ist ein Berechnungsgraph? 23 / Die Vorteile von Graphenberechnungen. 24 / Graphen, Sessions und Ergebnisabfragen 24 / Einen Graphen erstellen 25 / Eine Session erstellen und ausführen 26 / Unseren Graphen aufbauen und verw alten. 28 / Ergebnisabfragen. 29 / Fließende Tensoren. 30 / Knoten als Operationen, Kanten als Tensor-Objekte. 30 / Datentypen. 32 / Tensor-Objekte und ihre G estalt 33 / N am en . 37 / Variablen, Platzhalter und einfache O ptim ierung. 38 / Variablen. 38 / Platzhalter. 39 / Optimierung. 40 / Zusammenfassung. 49 / 4 Konvolutionsnetze. 51 / Einführung in Konvolutionsnetze 51 / MNIST: Zweite R unde. 53 / Konvolution. 54 / Pooling 56 / D ropout. 56 / Das Modell. 57 / CIFAR10 61 / Laden des CIF AR 10-Datensatzes 61 / Einfache CIFARIO-Modelle 64 / Zusammenfassung. 68 / 5 Text I: Arbeiten mit Text und Sequenzen, Visualisierung mit / TensorBoard 69 / Warum Sequenzdaten so wichtig sin d 69 / Einführung in rekurrente neuronale Netze 70 / Einfache Implementierung eines R N N 72 / In TensorFlow eingebaute Funktionen für RN Ns. 82 / RNNs für Textsequenzen. 84 / Textsequenzen. 84 / Überwachte Worteinbettungen 88 / LSTM und die Verwendung von Sequenzlängen. 89 / Anlernen von Einbettungen und des LSTM-Klassifikators 90 / Zusammenfassung. 93 / 6 Text II: Wortvektoren, fortgeschrittene RNNs und Visualisierung von / Einbettungen 95 / Einführung in die Worteinbettung 95 / Word2vec 97 / Skip-Gramme. 98 / Einbettungen in TensorFlow 101 / Die Verlustfunktion für Noise-Contrastive Estimation (NCE) 101 / Abfall der Lernrate. 102 / Anlernen und Visualieren mit TensorBoard. 102 / Einblick in unsere Einbettungen 104 / Angelernte Einbettungen und fortgeschrittene RNNs. 105 / Angelernte W orteinbettungen 106 / Bidirektionale RNNs und GRU-Zellen 110 / Zusammenfassung. 112 / 7 Abstraktionen und Vereinfachungen in TensorFlow. 113 / Überblick über das K apitel 113 / Verfügbare Bibliotheken 115 / contrib.learn. 116 / Lineare Regression. 117 / DNN-Klassifikator. 120 / FeatureColumn. 122 / Mit contrib.learn ein CNN selbst erstellen. 127 / TFLearn 130 / Installation. 130 / C N N . 130 / R N N . 133 / Keras. 135 / Angelernte Modelle mit TF-Slim 142 / Zusammenfassung. 150 / 8 Warteschlangen, Threads und das Einlesen von D aten 151 / Die Eingabepipeline. 151 / TFRecords. 152 / Das Schreiben mit TFRecordWriter 153 / Warteschlangen. 155 / Einstellen und Entnehmen 155 / Multithreading. 157 / Koordinator und Warteschlangensteuerung. 159 / Eine vollständige parallele Eingabepipeline 161 / tf.train.string_input_producer() und tf.TFRecordReader() 162 / tf. train. shuffle_batch ( ) 162 / tf. train. start_queue_runners () und der Abschluss. 163 / Zusammenfassung. 164 / 9 TensorFlow und verteiltes Rechnen 165 / Verteiltes Rechnen. 165 / Wo findet Parallelisierung statt? 166 / Was ist das Ziel von Parallelisierung? 166 / TensorFlow-Elemente. 167 / tf.app.flags. 167 / Cluster und Server. 168 / Replikation von Berechnungsgraphen über mehrere / Prozessoren. 169 / Überwachte Sessions. 169 / Die Prozessorzuteilung. 170 / Beispiel mit verteiltem Rechnen 171 / Zusammenfassung. 177 / 10 Modelle mit TensorFlow exportieren und via Server bereitstellen 179 / Unser Modell speichern und exportieren 179 / Geladene Gewichte zuweisen 179 / Die Klasse Saver. 183 / Einführung in TensorFlow Serving 189 / Überblick. 189 / Installation. 191 / Bauen und exportieren. 192 / Zusammenfassung. 199 / Anhang: Tipps zur Erstellung von Modellen und Verwendung von / TensorFlow Serving. 201 / Index 217 /